[論文レビュー] Multi-stream 3D FCN with Multi-scale Deep Supervision for Multi-modality Isointense Infant Brain MR Image Segmentation

Guodong Zeng, Guoyan Zheng|arXiv (Cornell University)|Nov 28, 2017

Advanced Neural Network Applications参考文献 20被引用数 3

ひとこと要約

本稿では、多モodalな等強度の乳児脳MR画像を脳脊髄液（CSF）、灰色巻（GM）、白質（WM）にセグメンテーションするための、マルチスティーム3次元完全畳み込みネットワーク（FCN）を提案する。マルチスケールのディープサブスクリプションとコンテキストガイドランスを組み合わせた手法により、6か月齢の乳児における低組織対比の状況でも高い性能を発揮し、iSeg-2017テストセットでCSFのDiceスコア95.4%、GMで91.6%、WMで89.6%を達成した。

ABSTRACT

We present a method to address the challenging problem of segmentation of multi-modality isointense infant brain MR images into white matter (WM), gray matter (GM), and cerebrospinal fluid (CSF). Our method is based on context-guided, multi-stream fully convolutional networks (FCN), which after training, can directly map a whole volumetric data to its volume-wise labels. In order to alleviate the poten-tial gradient vanishing problem during training, we designed multi-scale deep supervision. Furthermore, context infor-mation was used to further improve the performance of our method. Validated on the test data of the MICCAI 2017 Grand Challenge on 6-month infant brain MRI segmentation (iSeg-2017), our method achieved an average Dice Overlap Coefficient of 95.4%, 91.6% and 89.6% for CSF, GM and WM, respectively.

研究の動機と目的

• 進行中のミエリン化のため、T1およびT2対比が最小限に抑えられた多モーダルな等強度乳児脳MR画像のセグメンテーションの課題に対処すること。
• 強力な組織対比が欠如する状況において、マルチスティーム3次元完全畳み込みネットワーク（FCN）を活用してセグメンテーション精度を向上させること。
• 限られたラベル付きデータを前提とした訓練において、勾配消失を軽減するためにマルチスケールのディープサブスクリプションを用いること。
• ネットワークアーキテクチャに空間的コンテキスト情報を統合することで性能を向上させること。
• 6か月齢の乳児脳におけるCSF、GM、WMの高精度でエンドツーエンドのボリュメトリックセグメンテーションを達成すること。

提案手法

• T1およびT2 MR画像を独立して処理するマルチスティーム3次元FCNを用い、特徴量を統合してセグメンテーションを実行する。
• 複数のデコーダーステージに補助分類器を追加することでマルチスケールのディープサブスクリプションを適用し、訓練の安定性と勾配の流れを改善する。
• 空間的一致性の向上と予測のノイズ低減を図るために、コンテキストガイドド特徴学習を組み込む。
• 小規模データセットでの訓練を高速化するために部分的トランスファー学習を採用し、事前学習済みImageNet重みで初期化する。
• 推論には重複する64×64×64ピッチを用い、最終的な確率マップは重複予測の平均化によって得る。
• 孤立したボクセルの除去と小さな穴の埋め埋め合わせを実行するために、形態的処理を適用する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールのディープサブスクリプションを備えたマルチスティーム3次元FCNは、低組織対比の等強度乳児脳MR画像を安定してセグメンテーションできるか？
• RQ2 マルチスケールのディープサブスクリプションは、データ量が少ない状況下で訓練の安定性とセグメンテーション精度をどのように向上させるか？
• RQ3 空間的コンテキスト情報を統合することで、3次元ボリュームにおける組織セグメンテーションの精度はどの程度向上するか？
• RQ4 iSeg-2017チャレンジにおける6か月齢乳児脳MRIセグメンテーションにおいて、本手法は最先端の手法と比較してどの程度の性能を示すか？
• RQ5 コンテキストガイドド特徴学習は、CSFおよびGMセグメンテーションにおける境界の明確化と誤検出の低減をどの程度改善できるか？

主な発見

• 提案手法は、iSeg-2017テストセットにおいて、CSFの平均Diceオーバーラップ係数（DOC）が95.4%、GMが91.6%、WMが89.6%を達成した。
• コンテキスト情報を追加することで、ベースライン（コンテキストなし）と比較して、CSFで0.4%、GMで0.5%、WMで0.8%のDOC向上が確認された。
• iSeg-2017チャレンジでは21チーム中3位を獲得し、上位2チームと非常に近い性能を示した。
• 平均表面距離（ASD）は、CSFで0.127 mm、GMで0.341 mm、WMで0.40 mmであり、高い空間的正確性を示した。
• 修正ヘウスドルフ距離（MHD）は、CSFで9.62 mm、GMで6.46 mm、WMで6.78 mmであり、外れ値に対して高いロバストネスを示した。
• 1症例あたりの推論に標準的なデスクトップGPUでたったの8秒で完了し、効率的な推論を実現した。